例行维护

每天

检查集群服务状态

• 检查每个服务的运行状态和配置状态是否正常，是否为绿色。
• 检查每个服务中，角色实例的运行状态和配置状态是否正常，是否为绿色。
• 检查每个服务中，角色实例的主备状态是否可以正常显示。
• 检查服务与角色实例的“概览”显示结果是否正常。

检查集群主机状态

• 检查每个主机当前的运行状态是否正常，是否为绿色。
• 检查每个主机当前的磁盘使用率、内存使用率和CPU使用率。关注当前内存与CPU使用率是否处于上升趋势。

检查集群告警信息

检查前一天是否生成了未处理异常告警，包含已自动恢复的告警。

检查集群审计信息

检查前一天是否有“高危”和“危险”的操作，是否已确认操作的合法性。

检查集群备份情况

检查前一天OMS、LDAP、DBService和NameNodeOMS、LDAP和DBServiceOMS、LDAP是否自动备份。

检查健康检查结果

在FusionInsight Manager执行健康检查，下载健康检查报告确认当前集群是否存在异常状态。建议启用自动健康检查，并及时导出最新的集群健康检查结果，根据检查结果修复不健康项目。

检查网络通讯

检查集群网络工作状态，节点之间的网络通讯是否存在延时。

检查存储状态

检查集群总体数据存储量是否出现了突然的增长：

• 磁盘使用量是否已接近阈值，排查原因，例如是否有业务留下的垃圾数据或冷数据需要清理。
• 业务是否有增长需求，磁盘分区是否需要扩容。

检查日志情况

• 检查是否有失败、失去响应的MapReduce、Spark任务，查看HDFS中“/tmp/logs/${username}/logs/${application id}”日志文件并排除问题。
• 检查Yarn的任务日志，查看失败、失去响应的任务日志，并删除重复数据。
• 备份日志到存储服务器。

每周

用户管理

检查用户密码是否将要过期并通知修改。“机机用户”用户修改密码需要重新下载keytab文件。

分析告警

导出指定周期内产生的告警并分析。

扫描磁盘

对磁盘健康状态进行检查，建议使用专门的磁盘检查工具。

统计存储

分批次排查集群节点磁盘数据是否均匀存储，筛选出明显数据增加或不足的硬盘，并确认硬盘是否正常。

记录变更

安排并记录对集群配置参数和文件实施的操作，为故障分析处理场景提供依据。

每月

分析日志

• 收集集群节点服务器的硬件日志，例如BMC系统日志，并进行分析。
• 收集集群节点服务器的操作系统日志，并进行分析。
• 收集集群日志，并进行分析。

诊断网络

对集群的网络健康状态进行分析。

管理硬件

检查设备运行的机房环境，安排清洁设备。